# Turning AI Pilots Into Enterprise Systems

**Podcast:** Kollegin KI
**Published:** 2026-08-18

## Transcript

Wir sprechen in diesem Podcast ja ganz häufig über KI-Pilotprojekte.
Also so erste Chatbots oder Tests, die Unternehmen so ein bisschen entwickeln, um zu gucken, was kann KI eigentlich und wie können wir KI hier im Unternehmen einsetzen.
Und die große Frage, die ich mir mal stelle ist, wie wird eigentlich aus so einem Pilotprojekt irgendwann ein vollwertiges KI-System, das tatsächlich auch in der Unternehmenskultur verankert wird, das von allen Angestellten genutzt wird und das wirklich den Mehrwert auch langfristig bringt.
Und um dieser Frage immer auf den Grund zu gehen, habe ich mir heute einen echten Experten dafür eingeladen.
Und zwar Tommi Falkowski.
Tommi Falkowski arbeitet beim Fraunhofer-Institut.
Er leitet da den Gen-AI-Incubator.
Und ich hoffe, dass er uns heute so ein bisschen Einblick geben kann, wie Unternehmen denn aus dieser Pilotierung rauskommen und KI tatsächlich auch in die Arbeitsprozesse langfristig integrieren können.
Ihr hört Kollegin KI, ich bin Max Mundhenke.
Hallo Tommy.
Hallo Max und vielen Dank, dass ich heute da sein darf.
Ja, vielen Dank, dass du dir die Zeit genommen hast.
Wie läuft es?
An was für Pilotprojekten arbeitest du gerade?
Ja, an vielen verschiedenen Pilotprojekten tatsächlich.
Also das, was du angesprochen hast, ist aktuell gelebte Realität.
Die meisten Unternehmen haben für sich erkannt, okay KI, da steckt viel Potenzial drin.
Wir wollen das auch nutzen und laufen jetzt schon seit vielen Monaten.
Manche sind jetzt schon tatsächlich ein, zwei Jahre sogar mit dabei.
los und schauen, was funktioniert und was noch nicht funktioniert.
Und die große Herausforderung hast du ja schon angekündigt, ist nämlich dann die Fragestellung, wie kann man das Ganze verstetigen?
Und so umsetzen, dass es dann auch langfristig wirklich funktioniert und hoffentlich Früchte trägt.
Es ist ganz spannend, dass das Fraunhofer-Institut bzw.
Fraunhofer-IEM, an dem du ja tätig bist, so ein bisschen diese Vermittlerrolle aus Wissenschaft und Praxis dann auch innert.
Also man könnte jetzt sagen, man geht damit zu TUM oder zu einer anderen Universität und versucht das Unternehmen da möglicherweise mal zu ergründen, wie so ein Pilotprojekt dann auch umgesetzt wird.
Aber viele Unternehmen kommen dann tatsächlich zu euch.
Das ist eigentlich euer Business Case, richtig?
Ganz genau.
Also das ist eine große Sparte bei uns in der Fraunhofer-Gesellschaft und dann auch entsprechend an den Fraunhofer-Instituten.
Das IEM ist ja hier in Paderborn zu Hause und unser Steckenpferd ist letztendlich die Produktentstehung, Produktentwicklung der Zukunft und da spielt KI natürlich eine riesige Rolle und nimmt einen immer größeren Teil an.
Und unsere Aufgabe ist wirklich die angewandte Forschung.
Also wir nehmen wirklich die neuesten Erkenntnisse aus der Grundlagenforschung und bringen diese in die Praxis.
sind wir da grundsätzlich jetzt nicht die schlechteste Anlaufstelle für solche Aufgaben.
In meiner alten Wahl Heimat Ostwestfalen.
Liebe Grüße.
Schön.
Wie sieht das denn dann aus?
Also wie geht das konkret vonstatten?
Wir haben jetzt irgendwie ein Unternehmen oder ich sage mal, ich möchte irgendwie einen KI-Use-Case ausprobieren oder ich habe schon ein paar in meinem Unternehmen ausprobiert, sage ich mal so.
Und einer davon, der ist relativ vielversprechend.
Der spart mir tatsächlich irgendwie viel Zeit und ich würde ihn jetzt ganz gerne irgendwie in meine Systeme überführen beziehungsweise vielleicht auch nochmal weiter optimieren.
Schreibe ich euch eine Mail, schreibe ich dir eine Mail, sage ich, ja komm, lasst uns mal gemeinsam drüber gucken, wie funktioniert so ein Projekt?
Genau, also wir haben natürlich verschiedene Kontaktmöglichkeiten von der Mail, vom YouTube-Kommentar bis hin zu dem Anruf oder auch die Events, die wir tatsächlich regelmäßig durchführen.
Das ist immer mehr eine Anlaufstelle.
Also wir machen tatsächlich monatlich Events zu dem Thema KI und darüber entstehen dann viele Kontakte und wir kommen dann relativ schnell ins Gespräch.
Es ist halt schon sehr unterschiedlich, wo die Unternehmen stehen.
Also das, was du angesprochen hast.
Bei vielen Unternehmen sind noch viele Fragezeichen da.
Das heißt, die haben nicht jetzt den einen Use Case, den die umsetzen wollen.
Häufig geht es darum, erstmal zu ergründen, wo könnte man diese Technologie denn jetzt konkret einsetzen.
Das, was die meisten natürlich schon machen und kennen, sind die allgemeinen Chatbots.
Und bei vielen Unternehmen ist mittlerweile dann doch endlich auch ein Tool mindestens verfügbar, ob es jetzt der Microsoft Co-Pilot ist oder ChatGPT Enterprise oder etwas anderes.
Viele haben mittlerweile Gott sei Dank gesagt, okay, wir brauchen eine Lösung, damit die Leute lernen können, auch damit umzugehen, das festzustellen.
Aber wenn es gerade um diese konkreten Use Cases gibt, die dann häufig auch natürlich sehr große Effizienzpotenziale haben, da gibt es noch viele Fragezeichen im Raum.
Und das ist unsere Aufgabe, dann wirklich das einmal offen zu legen und transparent zu machen, wo wir auch von unserer Seite die größten Potenziale sehen, wo wir auch technisch tatsächlich die Umsetzbarkeit sehen.
um dann wirklich relativ schnell auch in die Implementierung zu gehen.
Das heißt, technische Umsetzbarkeit ist dann wahrscheinlich wie leistungsstark sind Large Language Models oder ist die Technologie, die dann dahinter geklemmt ist.
Regulatorik spielt wahrscheinlich dann auch hin und wieder eine Rolle, richtig?
Ja, genau.
Also das hängt natürlich insofern zusammen.
Also eine Frage, die viele Unternehmen stellen, ist, gibt es da die Möglichkeit, dass wir das auch irgendwie selber betreiben können?
Und erstmal kann man natürlich sagen, ja, technisch gibt es da die Möglichkeiten, aber...
Letztendlich muss man da auch ehrlich sein.
Also ich bin selbst ein großer Verfechter von Open Source und lokalen Modellen.
Aber man muss den Leuten klar aufzeigen, was das für Kosten wären, wenn man jetzt die Hardware anschaffen würde und wo dann auch technisch heutzutage noch die Grenzen sind.
Denn im Vergleich zu den großen Cloud-Anbietern ist die Leistungsfähigkeit dieser Modelle nicht immer gleich auf.
Aber für viele konkrete Use Cases bekommt man das dahin.
Wenn man ein bisschen Arbeit reinsteckt, ist das tatsächlich alles möglich.
Aber am Ende ist vieles tatsächlich eine Kostenfrage und einfacher, schneller kommt man natürlich ins Doing, wenn man halt sich mal eben an so ein Cloud-Modell anschließen kann.
Wie ist da so deine Erfahrung?
Brechen da viele dann die Pilotierung schon ab und sagen, nee, sorry, aber das können wir nicht investieren und wir können unsere Daten auf gar keinen Fall US-amerikanischen Hyperscalern anvertrauen?
Oder wie findet man dann Kompromiss?
Ne, das habe ich tatsächlich jetzt so auch noch nicht erlebt.
Wir haben ja auch die Möglichkeit zu sagen, wir gehen auf Modelle, die dann in europäischen Datenzentren oder sogar in deutschen Datenzentren gehostet sind.
Da findet man eigentlich immer eine Lösung, gerade jetzt viele Unternehmen, gerade in Deutschland, sind natürlich in der Microsoft-Welt tatsächlich zu Hause.
Das heißt, die nutzen ohnehin Cloud-Infrastruktur von beispielsweise Azure.
Und da gibt es ja technisch relativ einfach die Möglichkeit, da auch Modelle dann im eigenen Tenant sozusagen zu hosten.
Und das nutzen die Unternehmen dann natürlich.
Kann man das nicht einfach alles in Co-Pilot umsetzen, Tommy?
Ja, wenn es so einfach wäre.
Also wie gesagt, ich bin ein großer Fan von Open Source erstmal, aber ich nutze natürlich auch viele proprietäre Sachen und habe auch den Co-Pilot in der Vollversion hier zum Testen.
Also nicht alle bei Fraunhofer haben das bereits leider.
Wobei man dazu sagen muss, ich persönlich, ganz ehrlich, ich stoße da regelmäßig an die Grenzen.
Ich weiß, was technisch möglich ist und das, was Microsoft umsetzt, ist...
häufig deutlich schlechter, als es die Konkurrenz tut.
Also selbst in den eigenen Produkten wie PowerPoint oder Excel, wenn man sich da mal anschaut, was Anthropic mit Cloud beispielsweise hinbekommt, das ist schon erschreckend, dass Microsoft da tatsächlich aktuell nicht die beste Lösung liefern kann.
Spannend, jetzt haben wir es mal schwarz auf weiß von einem Experten.
Also mein ganzes Gebäsche gegen Microsoft ist tatsächlich gar nicht so unbegründet.
Nein, also ich glaube grundsätzlich kann man sagen, erstmal guten Zugang zu haben und Angestellte auch langsam irgendwie ranzuführen.
Und dafür ist Co-Pilot dann vermutlich auch irgendwie echt sinnvoll.
Aber wenn es dann um leistungsstarke Use Cases geht, die möglicherweise auch technisch gesehen noch mal ein paar andere Anbindungen brauchen, ein bisschen Flexibilität vielleicht auch in der Modellwahl dann.
gibt es durchaus andere Mittel und Wege.
Was ist denn so dein Lieblingstool, mit dem du eigentlich als Experte arbeitest?
Ja, ich habe tatsächlich ein Lieblingstool aktuell.
Das nennt sich Pi.
Das ist von Mario Zechner aus Österreich entwickelt.
Und das ist ein Coding-Agent, der halt super flexibel ist.
Man kann den beliebig erweitern.
Und ich nutze das tatsächlich als einen wesentlichen Baustein für viele Use Cases, die ich aufbaue.
Ist natürlich jetzt eher für so Nerds wie mich dann gedacht.
Grundsätzlich nutze ich sehr, sehr viele verschiedene Tools, natürlich auch die Standard-Tools wie ChatGPT, um einfach zu schauen, was geht da alles.
Codex von OpenAI beispielsweise teste ich auch ausgiebig.
Aber mich zieht es tatsächlich persönlich immerhin zu diesen offenen Lösungen, wo ich wirklich die volle Kontrolle darüber habe, wo ich auch entscheiden kann, welche Modelle ich daran anschließen kann.
Und letztendlich, ich sage den Unternehmen das meistens.
Am Ende das Wichtigste, was man machen kann, ist ein Tool tatsächlich zu haben, das man dann auch nutzen kann, das man guten Gewissens auch freigeben kann.
Das ist meistens tatsächlich der Co-Pilot, einfach weil die Unternehmen sowieso schon verfangen sind in der Microsoft-Welt.
Und man muss sich auch überlegen, allein diese ganze Abrechnungsthematik ist bei vielen Unternehmen nicht so einfach.
Da kann man nicht mal eben sagen, ich kaufe mir jetzt mal ein neues Tool ein.
Da muss ich mir auch an die eigene Nase fassen.
Das ist bei Fraunhofer auch nicht anders.
Und deshalb nimmt man natürlich erstmal das, was möglichst auch einfach ohne großen Kampf einzuführen ist.
Und das ist dann tatsächlich aktuell meistens der Co-Pilot.
Da kann man relativ gut unterscheiden in die sogenannten General Purpose AI-Modelle, also die offenen Chatbots, ChatGPT, auch Cloud durchaus oder eben Co-Pilot.
Und wenn es dann in konkrete Use Cases geht, die kann man ja durchaus mit den General Purpose Modellen auch entwickeln.
Man kann ja irgendwie sagen, hey, ich möchte gerne ein paar KI-Use Cases für mein Unternehmen entwickeln.
Wenn man das in so ein ChatGPT eingibt, wird ChatGPT schon antworten und sagen, hey, gib mir doch mal ein bisschen Kontextwissen zu deinem Unternehmen.
Was sind denn eure Prozesse eigentlich?
Sondern entscheide ich mich da vielleicht für ein und dann kommt es, komme ich zum Fraunhofer-Institut und möchte das Ganze verstetigen.
Kannst du mal vielleicht so ein Case uns erzählen, den du aktuell oder in der Vergangenheit hattest?
Natürlich irgendwie ohne großartig Kunden zu nennen, aber was so ein typischer Fall ist, mit dem Unternehmen an euch herantreten?
Genau, also ich würde sagen, so der allgemeine typische Fall ist natürlich dieses ganze Thema Wissensmanagement, wobei das jeweils dann natürlich eine spezifische Note einnimmt.
Welche zugrunde liegenden Daten sollen wir uns denn anschauen?
Und das ist natürlich ganz unterschiedlich in den Unternehmen.
Und da stellt man dann auch relativ schnell fest, Dokumente gibt es ohne Ende in den Unternehmen.
Da stehen auch wertvolle Informationen drin, aber die sind halt selten wirklich gut zugänglich.
Und ja, da ist unsere Aufgabe dann aufzuzeigen, wie man das Ganze tatsächlich einfacher auffindbar, einfacher durchsuchbar machen kann und dann auch noch weiterzugehen und sagen, wie etablieren wir denn jetzt Prozesse?
um die Informationen, die anfallen, in Datenstrukturen zu überführen, die wirklich nachhaltig dann auch für Menschen und KI gut nutzbar sind.
Das ist sozusagen ein echter Kern-Use-Case, wo ich sage, nämlich das ganze Thema Einführung robuster Datenstrukturen und zu lernen, auch in diesen Daten dann zu denken.
Ich finde es spannend, dass du sagst, für Menschen und für KI zugänglich.
Wo ist denn da der Unterschied?
Naja, wir Menschen, wir sind natürlich sehr visuell geprägt.
Also einem Menschen kannst du eine Word-Datei schicken, der macht die auf und sieht da eine Formatierung, genau wie bei PowerPoint oder bei Excel.
Und damit können wir dann ganz gut umgehen.
Das ist aber für die KI nicht notwendigerweise das beste Datenformat, sondern gerade wenn wir jetzt im Bereich Large Language Models bleiben, dann ist...
Das beste Format erstmal maschinenlesbarer Text, also die einfache Textdatei oder was sich natürlich jetzt sozusagen als das de facto Format etabliert, Markdown, also auch Plaintext mit ein bisschen Formatierung mit dabei.
Das sind natürlich Dinge, die deutlich besser für KI-Systeme funktionieren.
Und gerade wenn wir uns spezifische Use Cases angucken, dann geht es natürlich um strukturierte Daten.
Und das müssen nicht immer Datenbanken sein, sondern semi-strukturierte Daten wie JSON beispielsweise.
eignen sich für viele Cases sehr, sehr gut.
Und die lassen sich dann sowohl von Menschen als auch von Maschinen relativ gut interpretieren.
Und für den Menschen am Ende die Visualisierung, das ist nur noch der Layer, der am Ende drüber gelegt werden muss aus meiner Sicht.
Also das ist nicht das Speicherformat.
Und das ist das, was in der Realität natürlich gar nicht der Fall ist.
Also wir leben in Excel, wir leben in PowerPoint, wir leben in Word bei den meisten Unternehmen.
Und das ist einfach kein gutes Format, um dann darauf beispielsweise Analysen zu fahren.
Das ist ganz spannend, kann ich ein bisschen aus dem Nähkästchen plaudern.
Ich habe vor Ewigkeiten mal mit Tarifverträgen und KI gearbeitet und versucht, Gehaltstabellen im Grunde auch maschinenlesbar zu machen.
Und das ist tatsächlich relativ schwierig, denn gerade wenn man so eine Tabelle hat, ist für uns Menschen so ein leeres Feld, als klar leeres Feld erkennbar.
Eine Maschine kann aber durchaus Unterscheidungen machen.
Ist da eine Null drin?
Ist da irgendwie ein Strich drin?
Ist da eine ausgeschriebene Null drin?
Irgendwas anderes?
Das heißt, das ist so, finde ich, immer dieses klassische Beispiel für, was ist eigentlich maschinenlesbar und was ist menschenlesbar, weil wir Dinge reininterpretieren können.
Das können Maschinen aber nicht.
Die müssen das ganz klar definiert sehen und wissen, wo ist eigentlich hier das Freifeld und wo steht was drin.
Ja gut, die machen das natürlich schon.
Also dieses Hineininterpretieren, das führt dann natürlich häufig zu Situationen, wo...
die KI irgendeinen Wert dann reinschreibt, der aber aus menschlicher Sicht dann der falsche Wert ist.
Das geht so ein bisschen in Richtung Halluzination.
Die KI ist natürlich erstmal darauf trainiert, die Aufgabe zu lösen, Output zu generieren und ob der Output richtig ist, das müssen wir halt sicherstellen und verifizieren.
Entweder über entsprechende Mechanismen oder halt indem wir auch bei...
gewissen Use Cases dann den Mensch immer noch gut einbinden.
Und das ist tatsächlich noch ein weiterer Punkt, wo ich sage, das ist extrem wichtig aktuell bei der Umsetzung von Use Cases, nämlich diese Validierung und Verifizierung von Daten, die anfallen.
Absolut.
Und gerade auch wichtig im Bereich des Wissensmanagements.
Also man spricht auch von Corporate Rags.
Ich entschuldige mich jetzt schon mal für die ganzen Fachbegriffe.
Ihr habt den Chatbot in den Shownotes, wird alles da verlinkt.
Auch das Tool, das du gerade genannt hast, Tommy Pie, verlinken wir euch natürlich, damit ihr selbst ein bisschen mit rumspielen könnt.
Oder damit ihr in den Chatbot natürlich fragen könnt, Moment, was für Datenformate wurden hier gerade nochmal genannt?
Kannst du mir erklären, wo die Unterschiede liegen?
Genau, aber dieses Corporate Rag, also das Wissensmanagement, ist eine ganz spannende Sache, weil so vor ein paar Jahren noch Unternehmen angefangen haben, einfach alle Dokumente irgendwie in einen Ordner zu packen oder irgendwie SharePoint anzubinden und zu sagen, ja, jetzt haben wir ja im Grunde unser fertiges System.
Aber so einfach ist es am Ende nicht, Tommy, oder?
Es kommt drauf an, würde ich tatsächlich sagen.
Also natürlich, wenn man jetzt auf Unternehmensebene schaut, führt das sofort zum Wildwuchs und das ist die Situation, die wir häufig vorfinden.
Wenn man das im Kleineren Stil sich anschaut, ist das tatsächlich etwas, was jetzt immer mehr Menschen machen, was ich ja auch mache, nämlich dann halt nicht in proprietären Datenformaten, sondern im Klartext kann man mit einer guten Ordnerstruktur und den Inhalten, die dann da drinstecken, schon relativ weit kommen, weil die Systeme natürlich mittlerweile in der Lage sind, diese Dateien auch eigenständig zu durchsuchen, Informationen zu finden, Schlüsse draus zu ziehen.
Und das funktioniert also im persönlichen Maßstab tatsächlich schon ganz gut.
Wenn man das Ganze aber hoch skalieren will, unternehmensweit, hat man natürlich sehr viele neue Fragestellungen drin.
Allein das Thema Rechtemanagement darf man nicht von der Hand weisen.
Und dafür braucht man dann natürlich wirklich auch Systeme, die das Ganze bewerkstelligen können.
Und das ist also jetzt aktuell, würde ich sagen, so eine Mammutaufgabe zu sagen, aus diesen ganzen Altlasten, die wir haben.
Das zu überführen in vernünftige Datenstrukturen mit entsprechender Validierung und Verifikation und dann in Zukunft das Befüllen dieser Datenstrukturen über die entsprechenden Kanäle.
Was für Use Cases gibt es dann?
Unternehmen diesen Wissensdatenbanken anstellen.
Hast du da ein paar konkrete Beispiele?
Ja, natürlich.
Also zum Beispiel projektspezifische Aufgabenstellung, dass du beispielsweise neue Projekte hochziehen möchtest auf Basis von Vorlagen aus alten Projekten oder das ganze Thema Qualitätsmanagement ist auch ein riesiges Thema.
Auch sowas wie Lessons Learned beispielsweise.
Was haben wir denn aus ehemaligen Projekten alles schon gelernt?
Und grundsätzlich natürlich auch dieses...
deutlich schnellerer auffinden von spezifischen Informationen.
Also das ist, sage ich mal so, ein Kern-Use-Case und das ist natürlich auch das, was Microsoft und Co.
über SharePoint-Anbindung natürlich den Leuten näher bringen möchten.
Aber ja, da gibt es, zumindest kenne ich noch keine Lösung von der Stange, die auf Anhieb funktioniert.
Denn dieses Thema Dateninventur, Datenüberführung, das ist aktuell tatsächlich so die große Hürde.
Als jemand, der jahrelang PowerPoint-Sklave in der Agenturbranche war, kenne ich den Use Case mit Pitches beispielsweise.
Wenn man alle Pitch-Decks tatsächlich hat und die gegebenenfalls mit Metadaten anreichert, ob gewonnen oder verloren und daraus dann eine große Wissensdatenbank macht, dann kann man durchaus eine ganze Menge Zeit sparen, wenn man neue Pitch-Decks baut und man kann sie vor allem kritisch überprüfen und schauen, fehlt hier vielleicht irgendwas?
Gibt es irgendwie einen Erfolgsgarant oder irgendetwas, was bei vorher?
herrigen Pitches erfolgreich lief, was ich hier möglicherweise vergessen habe.
Das sind einfach diese Datenanalysen, die dann am Ende natürlich noch Menschen machen müssen.
Also da muss man schon noch die richtigen Fragen stellen und am Ende auch menschlich drüber gucken.
Aber für sowas ist zum Beispiel in dieser Agenturbubble so ein Wissensmanagement, so ein Corporate-Rack, so ein Paradebeispiel eigentlich.
Wie weit ist denn das schon verbreitet?
Wir hören ja mal Zahlen, die meisten Unternehmen nutzen KI noch nicht richtig.
Wir haben hier eine ganze Menge Unternehmen natürlich auch zu Gast gehabt, die Pilotprojekten starten und auch irgendwie so diesen Weg hin in die Verstätigung gerade finden.
Wo würdest du denn auf deiner Erfahrung her einschätzen, wo die deutsche Industrie da gerade steht?
Also ich würde sagen, die steht tatsächlich noch am Anfang.
Also viele Unternehmen sind losgelaufen, haben auch Systeme eingeführt.
Aber das Ganze wird, glaube ich, noch eine lange Reise sein, bis wir da sind, dass das in der Breite wirklich auch verfügbar ist und dann vor allem auch produktiv so genutzt wird, dass es uns einen echten Benefit bringt.
Das ist also aktuell so ein bisschen die Krux.
Vieles wird ausprobiert, viele Pilotprojekte werden gestartet, auch bei uns natürlich intern und wir mit den Unternehmen zusammen.
Aber die Verstetigung, das ist tatsächlich etwas.
wo man gerade erst anfängt, darüber nachzudenken, wie das Ganze funktionieren kann.
Und ich sehe da natürlich schon einen eklatanten Unterschied auch zu Unternehmen im Ausland, wobei man das auch immer unterscheiden muss.
Sind das jetzt große Konzerne?
Ja, die machen sehr viel, die reden auch darüber.
Bei kleineren Unternehmen habe ich auch schon von Experten gehört, dass es da auch jetzt nicht so krasse Unterschiede gibt.
Dass wir in Deutschland da sogar...
in Teilen gar nicht so schlecht dastehen.
Aber eine Sache, die mir halt schon Bauchschmerzen bereitet, ist, wir sind halt schon sehr, sehr langsam.
Und gar nicht so sehr, weil wir irgendwie die Technologie nicht umsetzen können, sondern weil wir natürlich auch sehr viele Zweifel haben und sehr viele Dinge noch zu klären sind, die dann einfach als Hindernisse aktuell im Raum stehen.
Ist das die Regulierung?
Also brauchen wir...
Also Deregulierung im KI-Bereich und dann sind alle Probleme gelöst oder was machst du davon?
Nein, also die Regulierung ist jetzt nicht das einzige Problem.
Also wenn die weg wäre, würde das nicht bedeuten, dass wir jetzt plötzlich sofort funktionierende Systeme hätten.
Das glaube ich nicht.
Ich glaube, wir haben ganz viele Hindernisse, die teilweise auch in unseren eigenen Köpfen stecken, auch in unseren technischen Systemen stecken natürlich.
Aber Regulierung ist schon echt ein Bremsklotz.
Vor allem, wenn es dazu genutzt wird, zu sagen, ja, aber das müssen wir ja jetzt erstmal klären.
Oder ja, aber nach dem EU-AI-Act müssen wir jetzt erstmal hier alle Mitarbeiter schulen, bevor wir das und jenes einführen können.
Und das sehe ich schon als großen Bremsklotz.
Echt?
Und vor allem auch als...
Ich will es nicht widersprechen, aber es ist ja erstmal zu Ende.
Sorry.
Vor allem auch als diese Mentalitätsfrage.
Das halte ich tatsächlich für echt nicht so schön im Vergleich zu Unternehmen im Ausland.
Da ist der Spirit halt ein ganz anderer.
Da ist eher so diese Macherattitüde da.
Vermisse ich hier häufig.
Du sprichst wahrscheinlich auf den Artikel 4 AI Act an.
Es ist 4 oder 5, glaube ich, diese KI-Kompetenzpflicht.
Und die besagt, dass Angestellte geschult werden müssen mit so einer grundlegenden KI-Kompetenzschulung, bevor sie KI-Tools im Unternehmen bedienen.
Und das soll so mittlerweile ein bisschen abgeschwächter Form, glaube ich, auch mit dem AI Act im August dann umgesetzt werden.
Wir machen auch nochmal eine Sonderfolge zum AI Act, wenn es soweit ist.
Aber ich muss sagen, ich finde das eine ziemlich gute Sache, die tatsächlich Innovation vorantreibt, statt auszubremsen.
Also vielleicht, wenn ich die Gegenrede halten darf.
Use Cases in Unternehmen entstehen in der Regel da, wo Mehrwert geschaffen wird.
Also wirklich auf den Ebenen, wo, ich sag mal, am Ende gearbeitet wird.
Das ist in der Verwaltung, das sind die Leute, die die Maschinen kennen, die die Prozesse kennen, die Texte schreiben, Visuals machen und so weiter.
Und die müssen eben schauen, wo können sie ihre Arbeit eigentlich effizienter gestalten.
Und ich finde es deshalb ganz cool, diesen Artikel 4 zu haben, weil sie erst mal ein Verständnis für KI bekommen.
Und zwar per Gesetz müssen sie sich damit auseinanderziehen.
Und dann fallen ihnen automatisch wahrscheinlich Dinge auf, die sagen, Moment, das könnte ich doch eigentlich mit KI machen.
Das muss ich mal irgendwie dem Teamleiter erzählen.
Oder ich setze mich mal mit einer anderen Abteilung zusammen und wir basteln mal gemeinsam.
Also aus meiner Erfahrung in der Beratung muss ich sagen, dass die besten Use Cases eigentlich wirklich nicht top-down vom Management entschieden werden, wo es dann heißt, das müssen wir jetzt irgendwie einführen, sondern viel eher auf der Ebene, wo Menschen...
ich sage es jetzt so salopp, tatsächlich arbeiten.
Das würde ich auch 100% so unterschreiben.
Also das ist auch meine Erfahrung, absolut.
Also wir machen ja auch Workshops bei uns zum Beispiel am Institut und das ist auch jedes Mal genau meine Erfahrung, dass wenn die Leute plötzlich erstmal sehen, was für Möglichkeiten da drin stecken, dann kommen natürlich die ganzen wertvollen Ideen.
Das Problem sehe ich eher darin, dass viele Unternehmen quasi diese ablehnende Haltung haben und sagen, oh ja, wir können ja nicht, bevor wir nicht dies und jenes.
Dann passiert aber nichts.
Und das ist tatsächlich das Schädliche.
Also der Artikel ist gut gemeint und ich halte das natürlich auch für extrem wichtig, dass alle betroffenen Leute in den Unternehmen wirklich herangeführt werden oder die Möglichkeit haben, auch selber explorativ an das Thema ranzugehen.
Ich merke auch, wenn die Leute erstmal anfangen, diese Systeme zu nutzen, dann klappt das eigentlich relativ schnell.
Also es ist jetzt keine Technologie, wo man echt wochenlange Lehrgänge besuchen muss.
Ganz im Gegenteil.
Selbst ich kann nicht alle Antworten in dem Bereich geben und Leute, die das behaupten, die auf LinkedIn da auch schreiben, hier, wenn ihr das und das nicht macht, bist du morgen abgehängt, die haben auch keine Ahnung.
Also da müssen wir ganz ehrlich sein, das ist alles extrem im Umbruch und die Geschwindigkeit ist höher als jemals zuvor und keiner kennt die Antworten.
Und gerade wenn wir jetzt in den Expertenbereichen reingehen.
diejenigen, die bewerten können, ob die Ergebnisse brauchbar sind oder nicht.
Das sind halt die Experten selber, die die Technologie nutzen.
Von daher, wie gesagt, ich unterschreibe das hundertprozentig.
Die Menschen sollten auf jeden Fall daran geführt werden.
Es passiert aber halt viel, viel zu selten noch.
Man stelle sich vor, wie wir heute in der digitalen Kommunikation stehen würden, wenn Angestellte damals alle Lehrgänge in Social Media bekommen hätten.
Anderes Thema.
Es ist durchaus auch eine Regulatorik.
Regulatorik wird häufig als Ausrede verwendet, muss man ja auch ganz ehrlich sagen.
Wenn man nicht ins Risiko gehen will, wenn man nicht investieren will, dann müssen wir uns erstmal darum kümmern.
Dann muss erstmal geguckt werden und dann verschiebt sich das alles so ein bisschen.
Das verstehe ich auch.
Auf der anderen Seite sagtest du auch so eine Bereitschaft, die dafür da sein muss.
Und das ist ja dann wahrscheinlich eine gesellschaftliche Ebene, oder?
Natürlich.
Also man muss verstehen, dass...
Die Art und Weise, wie auch über die Technologie kommuniziert wird, gerade jetzt aktuell auch in den USA.
Also hier so ein Dario Amodei, CEO von Anthropic, der prophezeit, dass halt in 18 Monaten, dass wir da keine Bürojobs mehr bräuchten, weil die KI alles automatisieren.
könnte.
Natürlich schürt das erstmal auch große Ängste und Vorbehalte und viele Leute, die die Technologie, ich sag mal, vor zwei Jahren ausprobiert haben und festgestellt haben, okay, das funktioniert nicht, da kommt Quatsch raus oder da kommen Fehlinformationen raus und seitdem die Technologie nicht mehr angefasst haben, die haben natürlich auch ein entsprechendes Bild davon, das heute vielleicht gar nicht mehr korrekt ist und das sind also Jetzt nur zwei von vielen Faktoren, die dazu führen, dass natürlich die Bereitschaft, die Technologie wirklich jetzt auch in der Breite zu nutzen, nicht unbedingt gegeben ist.
Was für Innovationen kommen denn eigentlich aus eurem Hause?
Das Fraunhofer-Institut ist ja im Grunde weltbekannter geworden, weil ihr beispielsweise MP3 erfunden habt.
Dass wir halt nicht mehr mit CDs und Discmans weltweit rumlaufen, sondern plötzlich MP3-Player hatten, das ist im Grunde ein Forschungsergebnis oder ein Praxisergebnis aus dem Fraunhofer-Institut.
Gibt es irgendwelche Sachen, die ihr gerade plant in Sachen KI?
Dass wir vielleicht demnächst dann auch irgendwie, keine Ahnung, wenn ich das auf MP3 beziehen darf, riesengroße Modelle stark komprimiert auf unseren Smartphones haben.
Das wäre zum Beispiel so ein typischer Case.
Ja, das wäre tatsächlich auch was, was ich persönlich sehr gerne hätte.
Man muss dazu erstmal natürlich sagen, Fraunhofer ist nicht gleich Fraunhofer.
Jedes Institut hat seinen eigenen Schwerpunkt.
Wir hier in Paderborn, wir kümmern uns tatsächlich um das Thema.
Produktentwicklung, Produktentstehung, Engineering.
Und da arbeiten wir natürlich jetzt an vielen verschiedenen Lösungen tatsächlich.
Also sowohl Schnittstellen zu Engineering Tools.
Also man muss sich vorstellen, im Bereich Produktentstehung und Produktentwicklung hat man sehr viele Schritte, bevor das Produkt entsteht, wenn das Produkt entwickelt wird.
Man konstruiert das Ganze, mechanische Konstruktion, elektrische Konstruktion.
Man simuliert extrem viel natürlich auch, bevor man feststellen kann, wie dieses Produkt gebaut werden soll.
Und da entwickeln wir tatsächlich aktuell mehrere Lösungen, um diese Prozesse zu verbessern, um auch KI immer stärker in diese Bereiche reinzubringen.
Und wir starten jetzt tatsächlich just mit einem geförderten Projekt.
Das ist quasi ein Sprint.
In sechs Monaten werden wir sehr viele Bausteine entwickeln.
Und da arbeiten wir tatsächlich auch an einem transparenten KI-Stack, der dann auch wirklich zugänglich ist für alle Unternehmen, wo wir einfach aufzeigen wollen, okay, wir haben jetzt einen Use Case, den wir konkret umsetzen wollen, vielleicht im Bereich Engineering.
Was brauchen wir denn dafür, um das umzusetzen?
Und da wollen wir tatsächlich einerseits Transparenz reinbringen, aber auch konkrete Bausteine liefern, die das Ganze dann ermöglichen.
Was würdest du den Unternehmen grundsätzlich?
Zum Abschluss hast du noch einen Tipp als jemand, der wahrscheinlich schon mehr KI-Use-Cases vergessen hat, als wir alle je in unserem Leben sehen werden?
Auf jeden Fall ausprobieren.
Also ausprobieren und den besten Experten im eigenen Unternehmen diese Tools zur Verfügung zu stellen, damit diejenigen wirklich einschätzen können, wo bringt uns das denn vielleicht weiter?
Vielleicht hat man irgendwelche harten Nüsse zu knacken, die man bisher nicht lösen konnte.
Ich meine, worst case, man findet heraus, KI ist noch nicht so weit und kann es nicht lösen.
Best case, man stellt fest, krass, das bringt uns deutlich weiter nach vorne.
Und das ist, glaube ich, echt die wichtigste Erkenntnis.
Also ich bin jetzt auch keiner, der die Technologie übermäßig hypen möchte.
Ich will nicht sagen, das wird jetzt von heute auf morgen alles verändern.
Das ist auch nicht so.
Aber in den Händen, gerade in den Händen von Experten, kann das wirklich eine Produktivität entfalten, wenn sie nämlich feststellen, was man damit alles vielleicht auch schon automatisieren kann, was heute einfach...
sehr lange Zeit braucht, um das durchzuführen, wo man vielleicht auch wirklich Ingenieursstunden aufwenden muss, um bestimmte Dokumente zu analysieren beispielsweise und Informationen zu überführen.
Da gibt es echt unzählige Möglichkeiten, die Technologie einzusetzen.
Und das Schlechteste, was wir machen können, ist abzuwarten und zu sagen, nee, fassen wir nicht an.
Denn selbst wenn jetzt, sag ich mal, in zwei Jahren die Modelle noch mal viel, viel besser sind und viele Kinderkrankheiten auch lösen.
Die Unternehmen, die jetzt schon damit arbeiten, die haben einfach auf dem Weg dahin extrem viel gelernt und ich glaube, diese Learnings werden wir so einfach nicht ersetzen können.
Also Learnings generieren, Experten einladen, beauftragen oder selbst ausbilden, würde ich mal sagen und dann entsprechend loslegen.
Jetzt habe ich gelesen, ihr habt auch öffentliche Auftraggeber.
Darf ich zum Schluss vielleicht noch eine Idee pitchen?
Ja, klar.
Und zwar für die Finanzverwaltung.
Ich hatte jetzt neulich wieder eine Statistik gesehen, dass 100 Milliarden im Jahr dem Fiskus flöten gehen.
weil Steuervermeidung, Steuerbetrug, Steuerhinterziehung usw.
nicht erkannt werden.
Das liegt vor allem offenbar am Personal.
Es gibt nicht genug Finanzbeamte, die da hinterher sind.
Das hängt auch ein bisschen mit der Suchweise zusammen, wie die suchen.
Aber könnte man da nicht das Ganze einfach automatisieren?
Könnte man nicht irgendwie ein System bauen, das Umsätze möglicherweise abgleicht mit Steuerlast oder einfach mal schaut, Moment.
Hotel in der und der Lage hat irgendwie übermäßig wenig Steuern bezahlt, obwohl alle drumherum irgendwie ein sehr hohes Steueraufkommen haben.
Da gucken wir einfach mal nach einer Prüfung oder wir empfehlen das mal für eine Betriebsprüfung für Finanzbeamte.
Könnte man sowas nicht morgen bauen?
Technisch könnte man da sehr viel bauen, glaube ich.
Ich würde aber gerade bei dem Use Case eher sagen, warum müssen wir da jetzt mit der KI-Keule drauf holen?
Warum können wir nicht einfach unsere Gesetzgebung drastisch vereinfachen, sodass wir diese Komplexität gar nicht im System haben?
Also das ist etwas, da denke ich selber auch häufig drüber nach und habe genau just über diesen Use Case auch selber schon gehirnt, nämlich die automatische Steuererklärung.
Aus meiner Sicht, technisch müsste die möglich sein.
alles digital nachverfolgen kann.
Die ganze Kontenbewegung müsste alles automatisiert nachvollziehbar sein.
Und halte ich auch zumindest Opt-in als einen gangbaren Weg zu sagen, diejenigen, die sich diesen ganzen Stress sparen wollen, bitte macht es einfach über die automatische Steuererklärung, würde ich auch selber in Anspruch nehmen.
Ich halte es grundsätzlich sowieso für sehr kritisch, dass wir in einer Gesellschaft leben, wo wir sehr viele komplexe Systeme und Gesetze geschaffen haben, die dazu führen, dass wir ganze Berufsgruppen aufgebaut haben um diese Komplexität herum, die wir dann beauftragen müssen, um quasi Licht ins Dunkel zu bringen.
Und da bin ich grundsätzlich kein Freund für und würde immer dafür plädieren, lasst uns Prozesse simplifizieren.
Das gilt auch für Unternehmen selber, also innerhalb von Unternehmen muss es nicht immer die KI-Keule sein, sondern häufig ist es tatsächlich einfacher zu sagen, warum machen wir es nicht weniger komplex.
Und dann kann die KI sich erst recht entfalten.
Und deshalb glaube ich, der gesunde Menschenverstand ist immer noch wichtig.
Nur weil wir jetzt die Technologie haben, heißt das nicht, dass wir jetzt alle komplexen Probleme damit lösen sollten, sondern vielleicht sollten wir erst mal die Komplexität aus dem System rausnehmen.
Finde ich ein sehr schönes Schlusswort.
Also hiermit auch kundgetan, dass Elster AI eine Idee ist, die vom Fraunhofer-Institut ebenfalls schon nachgedacht wurde.
Ja, ich habe da tatsächlich selber auch schon mal einen Prototypen implementiert.
Also es ist alles machbar.
Also gerade mit Elster, das geht.
Okay, wenn ihr diese Folge hört, dann taggt gerne die Bayerische Finanzverwaltung unseren lieben Finanzminister.
dass wir da vielleicht mal vorankommen.
Das wäre doch mal schön.
Ein bisschen mehr Einnahmen müssen wir nicht überall sparen oder weniger.
Naja, bevor wir zu politisch werden, Tommi, vielen lieben Dank für deine Zeit.
Alles Gute nach Partyborn.
Partyborn, ja.
Vielen Dank für die Einladung.
Sehr gerne.
Tommy hat natürlich recht, man muss nicht überall die KI-Keule draufschmeißen.
Manchmal reichen auch schon einfache Automatisierungen.
Da habe ich was mitgebracht.
Das Land Berlin macht das nämlich seit kurzem, dass sie automatisiert gucken, was für neue Wohnungsannoncen auf den einschlägigen Portalen eigentlich hochgeladen werden und die abgleichen mit dem Mietenspiegel.
Also es gibt ja die Mietpreisbremse in Berlin und überall wo der Verdacht...
besteht, dass Mietbuch hervorherrscht, also über 20 Prozent der vergleichbaren Ortsmiete, gehen automatisch Schreiben an die jeweiligen Vermieter raus.
Spannende Sache, viel weniger Verwaltungsaufwand.
Es sind einfache Daten, die automatisiert eingelesen werden können.
Da braucht man nicht mal KI für.
Und diese Prozesse zu vereinfachen ist das eine, aber auf der anderen Seite Technologie zu nutzen.
Um das Ganze natürlich dann auch zu beschleunigen, steht eben auf einem anderen Blatt Papier.
Wir können ja mal die Kollegin fragen, wie wir das im Podcast auch gemacht haben.
Mit General Purpose AI kann man sich ja neue Ideen holen.
Also fragen wir doch einfach mal die liebe Kollegin KI.
Liebe Kollegin, sag mal, was gäbe es denn noch für tolle KI-Use-Cases für die deutsche Verwaltung?
Na, da hast du ja schon ein schönes Beispiel gebracht.
Also wenn wir die KI-Keule jetzt mal gezielt schwingen.
Die Verwaltung könnte KI-gestützt Anträge effizienter prüfen, Bürgeranfragen semantisch klastern oder Genehmigungsprozesse so schlau priorisieren, dass dringendere Anliegen zuerst durchrutschen.
Und wie wäre es mit einer KI, die Gesetzestexte analysiert und veranschaulicht, damit die Leute und ehrlich auch die Beamten weniger Kopfschmerzen haben?
Ich sag mal so, da ist noch ordentlich Luft nach oben.
Ja, ihr habt die KI gehört.
Das ist natürlich so.
Ziemlich generelle Vorschläge, aber wir können das ja mitnehmen, Tommy, wenn du das noch hörst.
Liebe Grüße an das Fraunhofer-Institut.
Vielen Dank für diese Folge.
Vielen Dank an euch fürs Zuhören.
Ich hoffe, es hat euch gefallen.
Wenn ja, lasst gerne ein Like da.
Wenn ihr Fragen habt, kommentiert oder nutzt eben die Kollegin KI, die auch für euch kostenlos zugänglich in den Shownotes verlinkt ist.
Wir sprechen uns am Freitag zur Kollegin KI Snackbox.
Vielen Dank fürs Zuhören.
Bis dahin.
Ciao.
Dieser Podcast wird produziert von Podstars.
Bei OMR.